論文の概要: End-to-end reconstruction of OCT optical properties and speckle-reduced structural intensity via physics-based learning

• arxiv url: http://arxiv.org/abs/2602.02721v1
• Date: Mon, 02 Feb 2026 19:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.03827
• Title: End-to-end reconstruction of OCT optical properties and speckle-reduced structural intensity via physics-based learning
• Title（参考訳）: 物理学習によるOCT光学特性とスペックル低減構造強度のエンドツーエンド再構成
• Authors: Jinglun Yu, Yaning Wang, Wenhan Guo, Yuan Gao, Yu Sun, Jin U. Kang,
• Abstract要約: 光コヒーレンストモグラフィーにおける逆散乱は、構造像と固有の組織光学特性の両方を復元しようとする。 我々は,光学パラメータマップとスペックル再現型OCT構造強度を協調的に再構築し,層状可視化を実現するための正規化エンドツーエンドディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.070123702819407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse scattering in optical coherence tomography (OCT) seeks to recover both structural images and intrinsic tissue optical properties, including refractive index, scattering coefficient, and anisotropy. This inverse problem is challenging due to attenuation, speckle noise, and strong coupling among parameters. We propose a regularized end-to-end deep learning framework that jointly reconstructs optical parameter maps and speckle-reduced OCT structural intensity for layer visualization. Trained with Monte Carlo-simulated ground truth, our network incorporates a physics-based OCT forward model that generates predicted signals from the estimated parameters, providing physics-consistent supervision for parameter recovery and artifact suppression. Experiments on the synthetic corneal OCT dataset demonstrate robust optical map recovery under noise, improved resolution, and enhanced structural fidelity. This approach enables quantitative multi-parameter tissue characterization and highlights the benefit of combining physics-informed modeling with deep learning for computational OCT.
• Abstract（参考訳）: 光コヒーレンストモグラフィー(OCT)における逆散乱は、屈折率、散乱係数、異方性を含む構造像と固有の組織光学特性の両方を復元しようとする。 この逆問題は、減衰、スペックルノイズ、パラメータ間の強い結合によって困難である。 我々は,光学パラメータマップとスペックル再現型OCT構造強度を協調的に再構築し,層状可視化を実現するための正規化エンドツーエンドディープラーニングフレームワークを提案する。 我々のネットワークはモンテカルロを模擬した地上事実を学習し、推定パラメータから予測信号を生成する物理ベースのOCTフォワードモデルを導入し、パラメータの回復とアーティファクトの抑制のための物理に一貫性のある監視を提供する。 合成角膜OCTデータセットの実験では、ノイズ下での頑健な光地図復元、解像度の向上、構造忠実度の向上が示されている。 このアプローチは,物理インフォームドモデリングと深層学習を組み合わせた計算OCTの利点を強調し,定量的なマルチパラメータ組織キャラクタリゼーションを実現する。

関連論文リスト

• Advancing Machine Learning Optimization of Chiral Photonic Metasurface: Comparative Study of Neural Network and Genetic Algorithm Approaches [39.461494743436596]
  キラルフォトニック変成層は、光-物質相互作用を調整するためのユニークな機能を提供する。 ディープラーニングと進化的アルゴリズムを組み合わせた高度な最適化フレームワークについて報告する。
  論文  参考訳（メタデータ） (2025-12-15T18:49:10Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• Interpretable inverse design of optical multilayer thin films based on extended neural adjoint and regression activation mapping [2.252752942877162]
  拡張ニューラルアドジョイント(ENA)フレームワークは、OMTの人工知能支援逆設計の6つの重要な基準を満たす。 我々は,OMTのための新しいフォワードニューラルネットワークアーキテクチャを提案し,既存のニューラルアジョイント損失関数に物質損失関数を導入する。
  論文  参考訳（メタデータ） (2025-07-10T02:19:30Z)
• MDiff-FMT: Morphology-aware Diffusion Model for Fluorescence Molecular Tomography with Small-scale Datasets [29.920562899648985]
  蛍光分子トモグラフィー (FMT) は、生体医学研究に広く用いられている感度光学イメージング技術である。 逆問題により、FMT再建に大きな課題が生じる。 拡散確率モデル(DDPM)に基づくMDiff-FMT(MDiff-FMT)を初めて報告し,高忠実な形態的再構成を実現する。
  論文  参考訳（メタデータ） (2024-10-09T10:41:31Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Spectral2Spectral: Image-spectral Similarity Assisted Spectral CT Deep Reconstruction without Reference [5.109423491004876]
  本稿では、教師なしの手法とデータ事前を、Spectral2Spectralという名前の統一されたフレームワークに相乗化するための反復的深層再構築ネットワークを提案する。 我々のSpectral2Spectralは、教師なしの深層学習戦略を用いて、ノイズの多いデータからエンドツーエンドで高品質な画像を得る。 3つの大規模な前臨床データセット実験は、スペクトル2スペクトルが他の最先端の手法よりも優れた画質を再構成することを示した。
  論文  参考訳（メタデータ） (2022-10-03T03:07:33Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Neural network for estimation of optical characteristics of optically active and turbid scattering media [0.0]
  医用画像における品質劣化の原因の1つは、濁った生体媒体である。 我々はモンテカルロシミュレーションとディープニューラルネットワークを組み合わせた新しいパイプラインを導入する。
  論文  参考訳（メタデータ） (2020-11-12T00:41:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。